Oletan, että "suurella nopeudella" tarkoitat pientä viivettä tiedonkeräämisestä tuloksena olevaan FFT: hen. Pienellä otosnopeudella laskennallinen kykysi ei ole rajoittava tekijä nykyaikaisissa tietokoneissa. Viiveongelma on siinä, että meillä on tarpeeksi tietoa analyysiä varten. Jos haluat, että 1 Hz: n lokero eroaa DC / 0 Hz: stä, sinun on kerättävä riittävästi signaalitietoja kaappaamaan koko signaalin jakso. Siksi kiinteälle näytetaajuudelle pidempi FFT antaa sinulle suuremman taajuusresoluution.

Näin ollen hyvin matalilla taajuuksilla matala näytetaajuus (128Hz) tarkoittaa, että se ottaa vain muutaman näytteen näiden taajuuksien erottamiseksi: 128-pisteen FFT: n resoluutio on 1 Hz ja 256-pisteen FFT: n resoluutio 0,5 Hz. Ongelma on näiden tietojen saamisessa. 256 pisteen kerääminen kestää koko 2 sekuntia 128 Hz: n näytetaajuudella. Nopeamman FFT-päivitysnopeuden saavuttamiseksi voit käyttää uudelleen näytteitä: ottaa sanotut 32 näytettä tietolohkoiksi ja laskea sitten 256 pisteen FFT käyttämällä viimeisintä 8 lohkoa. Kun sinulla on 32 uutta näytettä, voit heittää vanhimmat pois ja päivittää FFT: n 4 kertaa sekunnissa.

Olet päässyt kohtaamaan kompromisseja, joita tarvitaan spektrogramman a luomisessa. >: sinun on valittava taajuusresoluution ja aikapaikan välillä. (MATLAB-aktiivisuus ja esimerkki täällä) Suurempi taajuusresoluutio vaatii enemmän näytteitä, jolloin FFT edustaa pitkää aikaväliä. Lyhyen ajanjakson käyttö tarkoittaa vähemmän näytteitä, mikä pienentää FFT-taajuusresoluutioasi. Sinun on valittava, mikä on tärkeämpi sovelluksessasi.

Tavallisesti on hankittava useita näytteitä aaltomuodon jaksoa kohti, jotta FFT: stä saadaan hyviä tuloksia. Nyquist-raja, joka on 2 näytettä jaksoa kohti, on alaraja, mutta käytännössä käytetään yleensä 10 näytettä jaksoa kohti tai enemmän. Joten analysoidaksesi 64 Hz: n signaalia haluat todennäköisesti hankkia näytteitä vähintään 640 Hz: n taajuudella.

Lisäksi (pisteeseen saakka) saat parempia tuloksia mittaamalla todellisia jaksollisia signaaleja, jos hankit useita aaltomuotojaksoja näytteitä. Sinun on määritettävä, mikä ikkunan koko on järkevin sovelluksellesi, mutta 1 Hz: n signaalien sieppaamiseksi ehdotan, että siepataan noin 10 s: n arvoista dataa.

Joten sinun on periaatteessa hankittava näytteitä suurella nopeudella korkeimmalla taajuudella ja pitkään suhteessa alimpaan taajuuteen, jotta saat hyviä tuloksia. Tämä edellyttää, että tapahtuu jonkinlainen käsittelyviive, joka on moninkertainen alimman taajuutesi jaksoon. Tämä ei kuitenkaan estä sinua suorittamasta prosessointia niin usein kuin kerran näytteessä.

Joten jos haluat analysoida signaalin taajuuskomponentit sen muuttuessa ajan myötä, ja haluat nähdä, mitä FFT näyttää suurella nopeudella, voit ottaa vain tarvitsemasi näytteet. Suorita FFT. Siirrä kaikki näytteet 1 asemaan ja ota sitten FFT uudelleen seuraavalla näyteajalla.

ESIMERKKI:
1) Näyte 819,2 näytettä sekunnissa 10 sekunnin aikaikkunalla.
2) Anna näytteiden kerääntyä 10 sekunnin ajan (yhteensä 8192 näytettä)
3) Suorita FFT 8192 näytteellä.
4) Hävitä ensimmäinen näyte puskurissa ja pidä muut 8191 näytettä siirtämässä niitä yli 1-asento.
5) 1/819,2 sekuntia myöhemmin lisää seuraava näyte puskurin loppuun ja suorita FFT uudelleen.
6) Toista vaiheet 4-6, kunnes olet suorittanut analyysisi.

Tämä antaisi sinulle FFT: n, joka analysoi liukuvan dataikkunan 819,2 kertaa sekunnissa

Esimerkin tarvitsema prosessointiteho olisi noin 13 * 8192 * 819.2 Kerro-kerää opeaatioita sekunnissa (87 miljoonaa MAC / s).Tavallinen tietokone pystyi käsittelemään tämän helposti.Voit tietysti vähentää prosessointitehoa kertoimella N suorittamalla vain FFT ever N -näytteet (esimerkiksi suorittamalla se joka 8. näyte vaatii vain 11 M MAC-sekuntia).

Nykyaikaiset DSP-alukset pystyvät helposti käsittelemään kuvaamasi toiminnon;jos otat vain 128 kertaa sekunnissa, voit helposti tehdä FFT: n jokaiselle näytteelle ja siirtää yhden näytteen per FFT.

Jos ainoa työkalusi on vasara, jokainen ongelma näyttää naulalta. Luulen, ettet ymmärrä mikä FFT todella on. Se on DFT: n (diskreetti Fourier-muunnos) nopea toteutus. DFT on analyyttinen työkalu erillisille signaaleille, joiden jaksot ovat analyysiväliä.

Tosielämän signaaleille (moottorisignaalien tai muiden pyörivien koneiden analysoinnin ulkopuolella) mittausvälisi ei todellisuudessa vastaa signaalin jaksottaisuus.

Tämän seurauksena "taajuusalustat" muuttuvat merkityksettömiksi ja vastaavat vain signaalin todellisia piirteitä kelautuvien esineiden ja hajautettujen spektrien linssin läpi.

Vaikka FFT: n ja sen perustoimintojen tehokkuus suhteessa lineaaristen siirtymävaihtelujärjestelmien ominaisfunktioihin tekee todennäköiseksi, että monien taajuuspohjaisten työkalujen hupun alla oleva työhevonen tulee lopulta FFT: ksi, raakatulosten tulkinta "taajuusastioina" on melkein varma, että ne liittyvät parhaimmillaan löyhästi todellisuuteen.

Jos se on yksittäinen signaali, jota yrität jäljittää / luonnehtia, olet todennäköisesti paremmin jollakin, joka perustuu LPC-kertoimiin.